企业高管政治认同对信用风险的影响——基于神经网络方法的实证研究

周子钦

1 引 言

党的十八大以来，习近平科学剖析了经济建设和意识形态工作之间、物质文明建设和经济文明建设之间的关系，推动者党的中心工作与意识形态工作相辅相成、形成强大的合力。2021年中央经济工作会议指出，在应对风险挑战的实践中，我们进一步积累了对做好经济工作的规律性认识。必须坚持党中央集中统一领导，沉着应对重大挑战，步调一致向前进。有关企业的信用风险问题，是其中一个重要的组成部分。新时代的政治认同，不仅仅是对中国共产党的要求，也是对于各民主党派和无党派人士的要求，在信用风险的考察中加入对企业高管政治认同程度的分析等非财务因素的考察是顺应中国特色社会主义市场经济发展的必然要求。关于信用风险的经济学研究中对政治认同这类非经济性因素有很多尚待完善，随着中国社会主义市场经济的发展，越来越多的研究成果表明非经济因素对企业的信用风险有着直接且深远的影响，所以考察企业高管的政治认同应当成为企业信用风险考察中的重要组成部分。

为更好地探究企业高管政治认同和信用风险的关系并提供理论解释和研究基础，本文梳理文献发现：（一）对信用风险的研究大多聚焦于经济因素，关于企业高管本身尤其是高管政治认同与信用风险关系的文献较少。目前研究从外部环境和内部原因研究信用风险，其中，外部环境包括经济、社会环境等，而企业信用风险产生的根本原因在于内部原因，主要包括财务因素、治理结构、管理水平、管理者特征等，如林晚发和李殊琦（2018）研究发现企业资产规模、资产负债率、成本粘性等财务因素对信用风险显著相关［1］。此外，邹晓囡（2020）认为公司治理结构（股权结构、董事会结构等）显著地对信用风险产生影响，企业的管理水平的高低会影响其经营效率，且林晚发等（2019）实证分析高管在企业经营、决策中发挥重要作用，包括管理者的背景特征（如年龄、性别、受教育程度、财务经历等）会影响企业信用风险的高低［2-3］；（二）现代信用风险模型大多以信息经济学为基础的模型，包括CPV模型、KMV模型、Credit Metrics模型等，但是由于假设不完善、未来预测能力差等难以广泛使用。近年来，基于数据驱动的机器学习模型在信用风险研究中扮演重要的作用。郭立仑和周升起（2022）运用随机森林模型以违约距离作为被解释变量，以外部环境、业务结构、经营管理三个维度因子作为解释变量，对商业银行信用风险影响因素进行实证研究［4］。陈湘州和陶李红（2021）以2014年—2019年深交所中小企业板制造业中符合要求的中小企业为样本，通过全方位初选评估指标，利用相关性分析对指标进行进一步筛选，得到中小企业供应链金融信用风险评估指标体系，接着基于MLP神经网络构建了中小企业供应链金融信用风险评估模型［5］。曹洁（2012）通过实证检验了宏观经济各因素与企业信用风险的相关性，宏观经济因素与中小企业信用违约存在显著的线性关系［6］。因而，本文结合国内外研究成果，将企业高管的政治认同作为重要的非经济变量纳入信用风险的研究，引入守序和短视的概念，基于神经网络的方法对企业高管政治认同可能影响信用风险的途径，进行一定的阐述与分析。

2 理论阐释与研究基础

2.1 理论阐释

（1）政治认同

“政治认同”由“政治”和“认同”两个词合成。是指生活于一定政治体系中的社会成员对政治体系所产生的一种心理或情感上的归属感，以及相应的支持行为。胡建（2021）对政治认同的内涵、结构及功能进行了理论解读，政治认同主要由政治认同的主体、客体、环体、和介体四个相互联系的要素组成，表明政治认同作为一种同向性的政治心理和政治行为，是人类政治生活中不可忽视的重要力量［7］。赵志朋（2022）对政治认同中的民族共同体意识认同的生成机理进行了论述，现代政治文化强调了共同体的政治意识［8］。杨绘荣和范雅钧（2022）对政治认同的生成路径进行了阐述，政治认同的生成路径主要包括制度塑造、政治社会化以及政治参与，它们均是形成政治认同所不可或缺的，共同作用于政治认同［9］。本文不同于以上研究，注重于企业高管的政治认同对信用风险的影响进行研究。有学者从心理层面认为政治认同是一个政治体系中的成员对于政治体系的认知、情感和评价，是成员对政治体系的价值倾向（桑玉成和梁海森，2017［10］）。本文将认同的概念界定为心理反应和行为表达两个方面：一是认为跟自己有共同之处而感到亲切，承认、认可和赞同；二是自觉地以所认可的对象的规范要求自己，按所认可对象的规范行事。

（2）短视

同一经济主体做出的选择，在其他主体看来，往往褒贬不一，这就说明每个主体形成判断的依据不同，期待回报也不同（Adhikari等，2006［11］）。一般看来，经济主体做出决策时，考虑得范围越狭隘，预期回报的周期越短，做出的决策越“不明智”；做出决策时考虑的范围越宽泛，预期回报的周期越长，做出的决策越“明智”。而我们可以把考虑范围相对狭隘，预期回报周期相对较短的行为称为“短视”。

（3）守序和越轨行为

守序是对现有制度和规则的遵从。经济主体的不守序体现为经济活动中可能出现的越轨行为，造成信用风险。越轨行为是越轨心理外化的结果。其中越轨心理包括越轨认识和越轨意向，前者指越轨者违反社会规范的认识，后者指违背现实社会规则的情感、态度以及意图或动机（Lee，2012［12］；Montes，2015［13］；Loewenstein，2000［14］）。若越轨意向外化为越轨行为，行为主体便成了真正的越轨者。越轨意向一般来源于对当前社会规则规范或者某一政策制度的不认同感，这种不认同感和对当前社会普遍规范规定的否定是政治认同的一种否定，在企业高管进行决策的时候将或多或少地体现在决策内容偏向性上，反映在市场主体的经济行为上，产生信用风险（West，2000［15］；刘开和范磊，2015［16］）。

2.2 博弈分析

（1）政治认同因素造成的影响

政治认同，在实际的社会生产中能够直接影响人的选择。政治认同本身，是对“大我”，也就是社会和集体的关注，尤其是我国执政党所认同的共产主义更是在行为模式上强调集体主义和奉献精神（李素华，2005［17］）。拥有较强程度政治认同的人，更倾向于做出利他的行为，也更为重视理念利益。也可以说是其决策考量的范围和预期的回报有所不同。

政治认同程度较强的人更容易将外部因素和道德因素列入考虑范围，在设定预期回报时也倾向于更长的周期（甚至超过自身生命长度），所以政治认同程度较高的企业高管做出的选择更能避免“短视”。

图1 影响路径

对于个人来说，政治认同的因素通过对企业高管短视程度影响，作用于其行为方式；对集体来说，便是通过对文化环境的影响，形成较强的道德约束，进而对企业信用违约情况产生影响。

（2）企业高管的预期回报

对于企业高管来说，可能成为预期回报的可能有几个不同方面：①个人收入：包括工资、绩效和分红等经济收入，代表了企业高管的经济收益。②企业发展；体现企业高管的自我价值，是一种理念的收益。③社会贡献：代表所受到的道德约束，是利他行为的动机之一。

对于企业高管来说，不同的主体可能会有不同的预期回报期限，分别为：①短期回报：当下行为所产生的直接可预见的收益。博弈中表现为单次博弈解。②长期回报：当下行为所可能产生的收益的总和，博弈中表现为重复博弈解。

（3）不同情境下企业高管的决策

①博弈主体。因为企业高管的决策水平决定了整个企业的发展走向，所以在博弈中用企业高管的选择替代企业的选择。关于企业的信用问题，参与者为金融企业和一般企业，而金融企业则可以以银行作为代表。对于银行和企业来说，其可选择的策略分别是借款和不借款，还款和不还款。

②决策的依据。

经营策略：绝大多数企业高管不具有经济学专业的知识结构，企业高管做出决策依赖于知识与直觉，所以采取有限理性的博弈，其策略选择取决于对于预期收益的满足，而不是对最大收益的获得。政治认同程度较高的企业高管做出的策略选择会将理念收益和道德惩罚考虑在收益范围内，且对于预期收益的设置时间更长，考虑时更侧重重复博弈的有效解。

履约回报：经济回报，是指该博弈中的经济回报包括第n期的本金cn，第n期产生的利息tncn，第n期产生的利润Δncn。

理念收益：是指该博弈中产生的理念收益为正常还款时产生的i。

道德惩罚：是指该博弈中的道德惩罚为未正常还款时产生的m。

③银企博弈。

●经济收益情况下的博弈分析

银企单次博弈过程为银行选择是否向企业借款开始至企业选择是否向银行还款为止，具体博弈结果如表1所示。

表1 银企单次博弈矩阵

如该博弈矩阵所示，当银行选择不借款时收益为0，但隐性损失了可能得到的利息tc。在不考虑其他因素的情况下，企业若选择具有利他性的策略，则可以得到该博弈的有效解；若选择完全自利的策略，则违约概率高。若此时Δ≤0，则发生信用违约可能性极高。

银企重复博弈考虑到一般正常企业的发展具有长期性，故需考虑重复博弈下银企的博弈结果所示如表2所示。

表2 银企重复博弈矩阵

如该博弈矩阵所示，当企业在某一次不还款时，其收益固定为（（∑n-1a=1taca-cn（1+tn），∑n-1a=1Δaca-cn（1+Δn）-m）），而若其还款，则获得收益为（∑na=1taca，∑na=1Δaca+i），在Δ的值一般大于零时，（∑na=1taca，∑na=1Δaca+i）≧（∑n-1a=1taca-cn（1+tn），∑n-1a=1Δaca-cn（1+Δn）-m）存在可能，且考虑企业在决策时具备一定利他因素，其违约概率相对减小。

●考虑其他因素情况下的博弈分析

银企单次博弈在博弈过程中，将理念收益i和道德惩罚纳入收益衡量范围，其银企单次博弈结果如表3所示。

表3 银企单次博弈

如该博弈矩阵所示，企业在不还款时会受到道德惩罚m，在正常还款时会得到理念收益i，则根据m与i值的不同≥存在可能，且m，i的值越大，企业越倾向于还款。

银企重复博弈在重复博弈中，将理念收益和道德惩罚考虑在内，则银企博弈结果如下：

表4 银企重复博弈矩阵

●短视造成的影响

如上述博弈所示，当企业行为越不“短视”时，违约的概率越低，具体影响因素如下：考虑时间范围的影响，在重复博弈中，企业的违约概率更低，更易得到博弈的有效解。考虑因素范围的影响，将理念收益和道德惩罚纳入考虑范围后，企业的违约概率更低，更易得到博弈的有效解。

2.3 模型和实证结果与分析

（1）模型及数据选取说明

人工神经网络是一组进行分布式并行信息处理，大致模仿生物演化神经运算行为特征的算法数学模型。这种网络通过调整内部节点间互连的关系来实现信息的处理，适合用于探究复杂变量之间的关系（仇荣国等，2010［18］；胡海清等，2012［19］），如图2所示。本文研究涉及的数据范围广，维度大，缺乏传统理论的支撑，而神经网络模型正是处理两者之间联系的较合适的选择。

图2 神经网络数学模型

本研究旨在明确企业高管政治认同与信用风险之间的关系。而信用风险影响因素较多，对于经济因素以及部分非经济因素如何影响信用风险目前已取得诸多研究成果，故在本文中，有必要引入经济因素和其他部分除政治因素外的非经济因素作为输入的基础维度，对比加入政治因素相关维度输入产生的结果，才能明确政治因素与信用风险的确切关系。

本文选取深圳证券交易所上市企业作为样本。因为上市企业的信息相对透明，数据更易获取，且深圳证券交易所上市企业以中小企业为主，多数上市企业为民营合资企业。与上海证券交易所相比，所样本更呈多样化，输出数据也相对更丰富。本文数据来源于深圳证券交易所全部企业从2012年第三季度至2019年第二季度总共28个季度的相关数据a数据主要来源于上海证券交易所、深圳证券交易所、中国国家数据中心、天眼查、国家企业信用信息公示系统、中国执行信息公开网、中国裁判文书网等。，其中包括可探知的经济数据、非经济数据和风险因素三个方面的数据，数据收集维度详见下表所示：

表5 数据收集维度

（2）经济因素对企业风险的预测的实验结果

基于传统的分析因素包括经济因素和以往研究有所设计的一般非经济因素进行对比实验，为了方便描述，将所涉及实验内容如下：

表5 实验内容

一般来说，企业的信用风险与其经营情况直接相关，经营情况差的企业其信用风险一定更高。而其经营情况可直接由其经营产生的经济指标来判断，所以对于银行等金融机构来说，衡量是否授信，首先是对其经济指标的分析。

表6 实验输出结果描述性统计

本文在数据收集过程中，取得了深圳证券交易所上市企业财报上可获知的经济数据共十一维a企业营业收入金额及其同比增长比率、环比增长比率，企业净利润金额及其同比增长比率、环比增长比率，每股收益，每股净资产，每股经营，净资产收益率，销售毛利率。作为输入变量，暴露风险程度作为输出变量进行分类预测建模分析。将此神经网络学习率设置为0.001，设置运算为2000代数，可得其平均训练误差为0.050，平均测试误差为0.083。

与此同时，抽取经济数据中的比率数据共六维b企业营业收入同比增长比率及其环比增长比率，企业净利润同比增长比率及其环比增长比率，净资产收益率，销售毛利率。作为输入变量，暴露风险程度作为输出变量进行分类预测运算进行对照试验，将此神经网络进行相同设置，可得其平均训练误差为0.049，相对于上一实验改进率为0.021.其平均测试误差为0.082，相对于上一实验改进率为0.013。

由此可知，在模型学习率和运算代数相同的情况下，两组实验的平均训练误差和平均测试误差十分接近，且只采用经济比率数据的情况下，模型的拟合程度更好。

（3）加入传统非经济因素的预测的实验结果

本文研究的企业高管以集体的形式出现，故对所收集的数据进行处理，描述为某企业的企业高管人数，加权平均学历及加权平均年龄，以三维作为一般非经济数据加入六维经济比率数据作为输入变量带入运算。

表7 实验输出结果描述性统计

为了使两组实验的训练误差尽量接近以便对比分析，将此神经网络学习率设置为0.001，调整运算为2300代，可得其平均训练误差为0.048，相对于上一实验改进率为0.018.其平均测试误差为0.081，相对于上一实验改进率为0.004。由此可知，加入一般非经济因素带入运算，会使模型运算结果产生略微改进。

（4）加入政治认同因素的模型运算与分析

在传统的分析因素包括经济因素和以往研究有所设计的一般非经济因素的基础上加入政治因素相关数据作为输入变量进行对比实验，为了方便描述，所涉及实验内容如下表所示：

表8 实验内容

上文研究中探明了非经济因素对企业信用产生的影响，实验四中将输入变量加入政治因素数据四维a党员占比，其他党派占比，党组情况，党内任职。带入运算。

表9 实验输出结果描述性统计

为了使实验的训练误差尽量接近以便对比分析，将实验四的神经网络学习率设置为0.001，调整运算为2200代，可得其平均训练误差为0.048，相对实验三的改进率为-0.003，相对实验二的改进率为0.015；其平均测试误差为0.081，相对实验三的改进率为0.003，相对实验二的改进率为0.007。由此可知，在输入变量中加入政治因素数据后，对于企业风险预测的能力显著提升。

（5）信用风险预测的因子分析及实证检验

本节主要讨论在自然实验的条件下，检验政治因素和其他一般非政治因素对信用风险预测和能产生的影响。对样本中的部分国企和民企，采用了循环神经网络LSTM的方法对其部分违约风险涉及的项目进行预测。

①输出变量的选取。自然实验中采用输出变量，必须是客观实际存在，故选取司法拍卖、被执行人、失信人作为下列实验的输出变量。为了方便描述，将所涉及实验内容列举如下：

表10 输出变量

续表

②关于政治认同要素的实证检验。在研究中，将司法拍卖、被执行人、失信人作为输出变量；经济比率数据作为基础的输入数据，分别加入一般非经济因素数据与政治因素数据，分别进行实验；最后将经济比率数据，一般非经济因素数据以及政治因素数据全部作为输入变量进行模型运算进行对比分析，实验结果如下表所示：

表11 实验输出结果描述性统计

为了使实验的拟合情况尽可能良好，设置运算代数为50000代，设置为0.001。根据实验五可知，单独将经济比率数据作为输入变量带入运算可得其平均训练误差为0.123，平均测试误差为0.118。实验六中加入一般非经济因素数据代入运算相较实验五的平均训练误差改进率为0.218，平均测试误差的改进率为0.676，而实验七的输入变量为经济比率数据加上政治因素数据，带入运算得其平均训练误差为0.004，平均测试误差为0.000。综合输入的实验八相对实验五来说平均训练误差的改进率为0.219，平均测试误差的改进率为0.677；相对实验六来说，平均训练误差的改进率为0.001，平均测试误差的改进率为0.003。由此可知，在输入变量中加入非经济因素数据后，对于企业风险预测的能力显著提升。加入其他一般非经济因素对于模型的拟合能力显著提升，而政治因素有赖于其他一般非经济因素的同时输入，才能起到更好的预测效果。

③即期信用违约的对比预测

●样本的选取

为了验证对于政治因素在具体信用风险指标预测上可能产生的影响，同时进一步检验企业性质的不同是否会对预测造成影响，故随机选取了两家主板上市企业的国企和民企进行对比研究。

所选取企业分别为主板国企：深天马A，全称：天马微电子股份有限企业，A股代码：000050；峨眉山A，全称：峨眉山旅游股份有限企业，A股代码：000888。主板非国企：华映科技，全称：华映科技（集团）股份有限企业，A股代码：000536；财信发展（财信国兴地产发展股份有限企业）A股代码：000838。

此对照实验的基础输入变量为除政治变量外其他全部变量，为了更好地对实验进行描述，将所涉及实验内容列举如下：

表12 实验内容

●主板国企的预测结果

表13 深天马A的预测结果

实验十对实验九，预测准确率有所提升，对失信人的预6测准确率提升了0.002，对被执行人的预测准确率提升了0.002，说明政治因素对于提高预测信用风险有一定作用。

表14 峨眉山A的预测结果

实验十二对实验十一，预测准确率有所提升，对失信人的预测准确率提升了0.001a由于数据小数点后保留位数产生的误差。若保留小数点后四位数，则应为0.0014=0.0136-0.0122。，对被执行人的预测准确率提升了0.001，说明政治因素对于提高预测信用风险有一定作用。

●主板民企的预测结果

表15 华映科技的预测结果

实验十四对实验十三，预测准确率有所提升，对失信人的预测准确率提升了0.001，对被执行人的预测准确率提升了0.001，说明政治因素对于提高预测信用风险有一定作用。

表16 财信发展的预测结果

实验十六对实验十五，预测准确率有所提升，对失信人的预测准确率提升了-0.001，对被执行人的预测准确率提升了0.002，说明政治因素对于提高预测信用风险有一定作用，同时存在一定波动。

④实验分析。企业高管政治认同对信用风险的影响，在国企和民企中同样有效且作用相当；预测的目标对象是国企时，加入政治因素作为输入变量带入模型运算结果更稳定，可能说明对于国企的企业高管群体来说，政治认同的刻画更加有效。

3 研究结论与政策建议

本文基于社会经济与诚信原则的内在关联，选取政治层面中的政治认同作为文化类非正式制度纳入分析体系，以我国深圳证券交易所上市企业信息作为数据基础，运用博弈论、神经网络等推导工具，研究企业高管政治认同对企业信用违约的影响。针对上述的研究结果进行分析总结的基础之上，对本文研究内容提出相关的政策建议，同时也对本文中存在的不足以及后续研究展望加以说明。

随着我国经济发展和国际一体化，我国的商业银行面临的信用风险越来越大。目前国内外研究分析主要将视角聚焦于经济因素或一般非经济因素，并未充分认识到政治认同等文化因素的影响（程砚秋，2016［20］；叶永刚等，2016［21］；田广等，2018［22］；王弘钰等，2018［23］；谢玲玲等，2020［24］；赵亚蕊等，2020［25］），本文的创新点在于通过对政治认同、信用等基础概念的理论研究，从理论上分析不同政治认同下企业高管决策的选择，并通过神经网络模型构建了考虑政治认同的信用风险预测模型，并进行了实验验证分析了政治认同与信用风险的关系。以深圳证券交易所上市企业的相关经济数据和非经济数据作为样本，以具有生物演化特征的BP神经网络和自然实验的方法，本文实证检验了企业高管政治认同与信用风险的关系。得出研究结论如下：①对不同政治认同下企业高管决策的选择的理论分析和神经网络模型分析，选取经济因素（如营业收入、净利润等）、非经济因素（如一般因素、政治认同因素等）、风险因素（如司法风险、经营风险等）及信用因素（如政府评估、商业评估等）数据做归一化处理，再进行模型运算。结果说明，企业高管的政治认同程度对其信用风险有显著影响，进一步分析发现，企业所属企业高管的政治认同程度越高，其信用风险的发生概率越低。②通过基于传统分析因素的模型运算和加入政治认同因素的模型运算分析的实证检验，运用对比研究的方法，两者测试结果的误差率很低，拟合度很高，该结果表明在对信用风险的影响中政治认同在非经济因素在具有很强的代表性。③同上运用对比研究方法发现后者的政治认同因素与认同风险的相关性更高，说明加入政治认同因素的相关数据进行分析能够有效提高对信用风险的预测能力。

本文的政策建议主要有：①鼓励经济金融问题中关于政治认同等非经济因素的研究。鉴于文化因素的影响一般是隐形的且作用巨大，应该鼓励关于政治认同等其他文化因素对于经济金融及其他行业相关性问题的研究。文化因素的影响往往是潜移默化的，不易测量与监管的，但影响却是巨大的。可在大量数据基础上，优化择选出影响因子，构建函数，得出全面考虑经济因素和包括政治认同等非经济因素在内的影响结论，从而降低潜在信用风险，提升信用风险预测精度。②应将企业高管政治认同的相关信息纳入企业信息收集系统。根据上述实证结论可知，企业所属企业高管的政治认同程度对其信用风险有显著影响，且企业所属企业高管的政治认同程度越高，其信用风险的发生概率越低。而对于某一企业的生产经营来说，企业高管的意识形态建设也尤为关键，处理好意识形态与经济建设是企业间交流合作的重要参考因素，因此应将企业高管的政治认同相关信息作为重要参数纳入企业信息收集系统，便利与其他企业的交流与合作。③应加速健全非经济因素信息征集系统，加强信用信息透明化。信用风险是金融市场发展中持续存在的潜在威胁，一直以来，对于信用风险的防范都是金融业界的焦点问题。健全征信系统，不仅包含经济因素，还需要包含政治认同等非经济因素，充分发挥征信系统的激励和惩罚机制，使企业信用信息公开透明化，可以使对于信用风险的相关研究更充分，进一步发挥市场对于企业的评估作用，增强市场效率和投资者信心。④加强企业高管政治认同。由上述论述可知，企业高管的政治认同对企业建设与发展有重要影响，政治认同程度较高的企业高管做出的选择更能避免“短视”，有利于做出利他和考虑集体的长远收益决策，从而降低信用风险。因此，加强企业高管的政治认同是个亟待解决的问题。